ASP.NET Boilerplate中Redis缓存序列化异常问题解析
问题背景
在ASP.NET Boilerplate框架中,当开发者将项目升级到9.1.0版本后,使用Redis缓存时可能会遇到一个序列化异常。这个异常主要出现在两种场景中:
- 使用AbpRedisCache时
- 使用AbpPerRequestRedisCache时
错误信息显示系统无法序列化System.Type类型的实例,具体报错路径为$.ProviderApiType。
异常分析
该问题的根本原因在于ASP.NET Boilerplate 9.1.0版本中默认使用了System.Text.Json作为JSON序列化器,而Newtonsoft.Json则作为备选方案。System.Text.Json在设计上出于安全考虑,默认不支持System.Type类型的序列化,这与Newtonsoft.Json的行为不同。
当框架尝试将包含Type类型属性的对象序列化到Redis缓存时,System.Text.Json会抛出NotSupportedException异常。这在用户登录等需要缓存认证信息的场景中尤为常见。
解决方案
临时解决方案
-
回退到Newtonsoft.Json
在CoreModule中添加以下代码可以暂时解决问题:JsonExtensions.UseNewtonsoft = true; -
自定义Type类型转换器
可以创建一个自定义的JsonConverter来处理Type类型的序列化:public class CustomJsonConverterForType : JsonConverter<Type> { public override Type Read(ref Utf8JsonReader reader, Type typeToConvert, JsonSerializerOptions options) { var typeName = reader.GetString(); return Type.GetType(typeName); } public override void Write(Utf8JsonWriter writer, Type value, JsonSerializerOptions options) { writer.WriteStringValue(value.AssemblyQualifiedName); } }然后在Startup中注册:
services.AddControllers() .AddJsonOptions(options => { options.JsonSerializerOptions.Converters.Add(new CustomJsonConverterForType()); });
根本解决方案
ASP.NET Boilerplate团队已经注意到这个问题,并提出了修复方案。开发者可以:
- 实现自定义的IRedisCacheSerializer,正确处理Type类型的序列化
- 等待官方发布包含修复的版本
最佳实践建议
-
评估缓存内容
检查哪些数据被缓存并导致了这个问题,考虑是否可以重构这些类型以避免包含Type属性。 -
统一序列化策略
在整个应用中保持一致的序列化策略,避免混合使用System.Text.Json和Newtonsoft.Json。 -
监控缓存异常
即使应用能继续运行,也应监控这些异常,因为它们可能影响性能或导致缓存失效。 -
测试覆盖
增加针对缓存序列化的单元测试,确保各种数据类型都能正确序列化和反序列化。
总结
这个问题展示了框架升级时可能遇到的兼容性挑战,特别是在底层组件更换时。开发者需要了解不同JSON序列化器的行为差异,并准备好相应的适配方案。对于ASP.NET Boilerplate用户来说,目前可以通过回退到Newtonsoft.Json或实现自定义转换器来解决这个问题,同时期待官方在后续版本中提供更完善的解决方案。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00